（来源：上观新闻）
龚宇反复提到一🥝个现实🇦🇪🚣：尽管技术已经🈹📉可以生成高🇾🇪🇳🇷质量画🎺面，但🎃真正具备完整🎴🏉叙事能力、能⛎🍟够打动观众的作🇲🇿品仍然稀缺🎫👷♀️。人类的角色集中在🇪🇦🇸🇰方向判断🥢💁。一方面，关✉于V4的发布时间☂，多次👩👩👧👃被外媒提♣👏前“预告”，却始😡🇫🇲终未能如📕🇧🇫期落地；另🚴♀️🥉一方面，😒在这些报道中📿👨👩👧👦，延迟6️⃣🇪🇬原因也被直接指🇱🇻向一个更现实的👌问题，即摆脱🌎英伟达体👨👨👧👧系所带来🕉的代价🕚🏂。
人天然不🧫🔙喜欢这么慢的🇳🇷✋事🗯。本周，🛂😁德国汉诺🇿🇼威工业博览会正式👌开幕，AI和机☯🚖器人技术成为🧂今年汉诺威工博⬅会的两大📻聚焦方向🏡。AI产品至少也该⛸告诉用户你现在到♓🚘底在用什么🖲。按照我们这套方法💥训练出来🏺👩✈️的人，比😉👟 99% 🇪🇦传统中高管都强😅🏺。再往下，是数据⚠和模型这一核心层🎋。俞浩：💘📷我觉得硅🥽谷创业者一🤪代不如一代，A🇨🇵ltman 远🔯🦐不如马斯克😵，马斯✈克远不如乔🐋🇭🇳布斯🧘♂️🇭🇷。作者的解释是，👰小模型在🚌🎆领域 🏠SSL 阶段从一👕⛹开始就把表征🕴对齐到"驾驶⭐相关区域"，而 🥤🦅ViT-L 是从🧵通用视频预训练继🤺承过来，需要🆓🐳同时适应表征分布🏘和学习碰🦗😍撞线索，🇱🇦注意力🤾♀️因此更弥散🇲🇻。
论文最重要的消融🌸🇪🇸揭示： 随机初始🇱🇮🏇化 ViT-🗣S 直接🐱🆖在 BA🌷🇯🇪DAS 🧚♂️监督信号上训练💞🍈 → AP🇧🇭ℹ 接近随机 在🌛 2.25M 🍢🥯无标注 Ne🎃xar 视🛥⬜频上做 V-J☯🔉EPA 风〽格的 m🎊🌍ask👹🚻ed f😑🦞eatu💪📐re p🤞redictio👍n → +28.🇭🇹1 pp AP（👩❤️💋👩达到接近生🔟产质量） 再加👨👨👧👦上从 ViT🔒-L 教师的知👔🌤识蒸馏 → 💲再 +1.0 p🌻p AP🌩，同时🇵🇰👊 FPR 从 ☂20.6%👑 腰斩到🥅💕 9.1🛠% 换句话🧂🇰🇾说，领域自监督🇦🇹是 2🥦🍾8 倍的贡献，🍙蒸馏是 1 倍🕡🐯的贡献⏹。
